【OpenCV】OpenCV3.2使用svm训练Demo

版本：OpenCV3.2.0

注意：数据结构的一致性，在高维度数据一般使用rbf核函数，使用网格搜索思想迭代求出gamma和c。

代码：

#include "opencv2/core/core.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/ml/ml.hpp"

#include 

using namespace std;
using namespace cv;
using namespace cv::ml;

struct ppt
{
	float x;
	float y;
	char label;
};

int main()
{
    //训练一个简单的svm模型
	// step 1: 标记分类
	int labels[14] = { 'A','A','A','A','A','A','A','B','B','B','B','B','B','B' };
	//CvMat labelsMat = cvMat(14, 1, CV_32FC1, labels);
	Mat labelsMat(14, 1, CV_32SC1);
	for (int i = 0; i < labelsMat.rows; i++)
	{
		labelsMat.at(i, 0) = labels[i];
	}

	int trainingData[14][2] = { { 110,204 },{ 105,306 },{ 102,410 },{ 99,511 },{ 93,610 },{ 89,713 },{ 89,817 },
	{ 173,208 },{ 175,313 },{ 167,415 },{ 163,514 },{ 160,612 },{ 156,716 },{ 152,819 } };
	Mat trainingDataMat(14, 2, CV_32FC1);
	for (int i = 0; i < trainingDataMat.rows; i++)
	{
		for (int j = 0; j < trainingDataMat.cols; j++)
		{
			trainingDataMat.at(i, j) = trainingData[i][j];
		}
	}

	//step 2:设定训练参数
	Ptr svm = SVM::create();
	svm->setType(SVM::C_SVC);
	svm->setKernel(SVM::LINEAR);
	//迭代训练过程的中止条件，解决部分受约束二次最优问题。您可以指定的公差和/或最大迭代次数。
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, FLT_EPSILON));

	//step 3:训练
	Ptr tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
	svm->train(tData);
	svm->save("svmData.xml");
	
	// step 4: 利用训练好的模型进行预测
	ppt a;
	a.x = 163;
	a.y = 600;
	float data[2] = { a.x,a.y };
	Mat tmp(1, 2, CV_32FC1);
	for (int j = 0; j < tmp.cols; j++)
	{
		tmp.at(0, j) = data[j];
	}

	a.label = (char)svm->predict(tmp);
	cout << a.label << endl;

}